趋势一：从系统到数据
过去常用「上了几套系统、多少业务线上云」衡量成熟度，现在更看数据能否被稳定取出、口径是否一致。为什么变？因为 AI 与数据分析都依赖可用数据，系统多但数据割裂的企业反而更难推进。评估时应增加数据可用性指标。
趋势二：AI 就绪度并入
越来越多评估框架加入数据治理、算力条件、人才与治理机制等 AI 相关维度。企业若只按传统信息化标准自评，会高估自己的准备程度。应对方式是在原有评估上补一层 AI 就绪度检查，而不是另起一套互不相通的体系，边界在原有框架能否复用。
趋势三：轻量自评并行
中小企业倾向用轻量问卷快速定位短板，大型企业仍需要第三方评估满足审计与申报要求。两者的差别在证据强度：自评适合定方向，第三方适合对外证明。企业应明确评估目的，避免为了一份报告投入过多资源，这也是为什么要先明确用途。
趋势四：评估挂钩预算
成熟度评估越来越多地影响预算分配：得分低的环节优先补短板，得分高的环节争取扩展。这带来一个风险：为了争取预算而美化自评。可行做法是把评估证据与改进计划绑定，让分数服从于行动，而不是相反，边界是证据能否支撑分数。
应对：四层自评
按「任务—数据—系统—人」四层做自评：任务是否清晰、数据是否可取、系统是否互通、人是否有 owner。每层给出证据与缺口，再排优先级。这种方式不追求总分，而是直接指向下一步动作，适合大多数企业，这也是为什么它适合多数企业。
适用与不适用
适合谁
- 准备启动新一轮数字化规划的企业
- 需要向管理层说明数字化现状的负责人
- 正在评估 AI 项目前置条件的企业
不适合谁
- 只需要一份评估证书、不打算改进的机构
- 尚未开展任何信息化、也无意补基础的企业
典型场景
一家中型制造企业原以为自身成熟度中等，按四层自评后发现任务层清晰、系统层有 ERP 与 MES，但数据层缺少统一物料编码，人的层面没有数据 owner。企业据此把预算从新增系统转向主数据治理，半年后报表口径才统一。
可执行步骤
- 先明确评估目的：是内部定方向，还是用于对外申报、审计或融资证明
- 按任务、数据、系统、人四层逐项收集证据，并同时记录缺口、影响与责任人
- 在原有评估框架上补充 AI 就绪度的检查项，避免另起一套互不相通的体系
- 按缺口对业务的影响程度与补齐成本排序，再确定具体的优先级顺序
- 把评估结论与改进计划、预算绑定，形成可追踪、可复盘的年度闭环
常见坑
- 为争取预算而美化自评，短板被掩盖，后续项目反复卡在同一处，投入被持续浪费，团队也失去耐心。
- 只统计系统数量与上云比例，却忽略数据可用性，评估结论自然失真，预算投向也会跟着出错。
- 照搬大型企业的评估框架，问卷过长，业务部门只能敷衍填写，最后收回的数据基本不可用。
自检与验收清单
- 评估目的、使用场景与预算是否都已事先明确
- 任务、数据、系统、人四层是否都拿到了证据
- 是否在原有框架上补充了 AI 就绪度检查
- 评估结论是否已逐条对应到改进行动与年度预算
常见问题
成熟度评估一定要请第三方吗？
不一定。内部定方向可以用轻量自评，成本低、迭代快；需要对外申报、审计或融资时，第三方评估的证据强度更高。关键是先明确用途，再决定投入与深度。
评分低是不是说明不适合做 AI？
不是。评分低只说明某些基础环节薄弱，可以通过缩小场景、先补数据来推进。真正不适合的是既无数据、又无责任人、还不愿做基础工作的情形，这类项目很难验收。
评估多久做一次？
建议每年做一次全面评估，每季度检查关键缺口是否收敛。过于频繁会变成填表负担，间隔太长又无法反映变化；关键是把评估结果接进预算与改进计划，而不是束之高阁。